[논문 리뷰] Accelerating Channel Estimation and Demodulation of Uplink OFDM symbols for Large Scale Antenna Systems using GPU

Bhargav Gokalgandhi, Christina Segerholm외 2명|arXiv (Cornell University)|2019. 01. 22.

Advanced MIMO Systems Optimization참고 문헌 7인용 수 6

한 줄 요약

이 논문은 CPU-GPU 하이브리드 아키텍처를 사용하여 대규모 MIMO 시스템에서 업링크 OFDM의 GPU 가속 채널 추정 및 디모듈레이션을 제안한다. 최소 제곱법 채널 추정과 최대 비율 병합을 위한 GPU 병렬 처리를 활용함으로써, 16개 안테나와 1024점 FFT를 사용할 경우 CPU 전용 처리 대비 최대 12.5배의 성능 향상을 달성하였으며, 이는 대규모 MIMO 시스템에서 고속도 백엔드 처리에 GPU가 유용하다는 것을 입증한다.

ABSTRACT

Increase in the number of antennas in the front-end increases the volume of data to be processed at the back-end. This establishes a need for acceleration in back-end processing. To solve the issue of high volume data processing at back-end, a GPU is utilized. Acceleration for Least Squares channel estimation and demodulation of uplink OFDM symbols is provided by using a combination of CPU and GPU at the back-end. Single user uplink scenario is implemented in near real-time manner using the USRP platform present in the Large scale antenna systems in ORBIT Testbed. The number of antennas and FFT length are varied to provide different scenarios for comparison. The performance of both CPU and GPU is compared for each process.

연구 동기 및 목표

• 증가하는 안테나 수로 인해 백엔드 처리에 발생하는 계산 부담을 해결하기 위해.
• 실시간 시스템에서 고속도 OFDM 신호 처리를 위한 CPU 전용 처리의 한계를 극복하기 위해.
• 소프트웨어 정의 신호 처리 환경에서 FPGA/ASIC 대비 영리하고 비용 효율적인 대안으로서 GPU 가속을 평가하기 위해.
• USRPN 기반 ORBIT 테스트베드를 사용하여 업링크 OFDM 디모듈레이션 및 채널 추정의 실시간 성능을 입증하기 위해.

제안 방법

• CPU는 데이터 이동 및 제어를 담당하고 GPU는 FFT 및 최소 제곱 계산과 같이 병렬 처리가 가능한 작업을 가속화하는 하이브리드 CPU-GPU 아키텍처를 구현한다.
• CUDA 커널을 사용하여 서브대역 및 안테나 간 최소 제곱 채널 추정을 병렬화하며, 각 서브대역당 N개의 블록과 각 안테나당 M개의 스레드를 사용한다.
• 공유 메모리와 병렬 감소를 활용하여 GPU에서 최대 비율 병합(MRC)을 효율적으로 구현한다.
• 메모리 액세스 오버헤드가 낮은 점을 고려해 Cyclic Prefix 제거 및 fftshift는 CPU에서 구현한다.
• 지연 최소화와 코ales스드 메모리 액세스 최대화를 통해 CPU와 GPU 간 데이터 전송을 최적화한다.
• ORBIT 테스트베드를 사용하여 다양한 FFT 크기(64, 1024)와 안테나 수(1–16)에서 성능을 검증한다. USRP X310과 16안테나 대규모 MIMO 마이크로랙을 사용한다.

실험 결과

연구 질문

• RQ1 GPU 가속이 대규모 MIMO 시스템에서 OFDM 채널 추정 및 디모듈레이션의 실행 시간을 상당히 줄일 수 있는가?
• RQ2 안테나 수와 FFT 크기가 증가함에 따라 GPU 처리의 성능 향상은 어떻게 변화하는가?
• RQ3 특히 소규모 구성에서 GPU-CPU 데이터 전송 지연이 전체 처리 시간에 미치는 영향은 무엇인가?
• RQ4 실시간 OFDM 신호 처리에서 GPU 병렬 처리가 데이터 이동 오버헤드를 얼마나 상쇄하는가?
• RQ5 업링크 OFDM 시스템에서 GPU 기반 처리가 CPU 전용 처리를 능가하는 조건은 무엇인가?

주요 결과

• 1024점 FFT와 16개 안테나를 사용할 경우, GPU는 채널 추정 및 디모듈레이션에서 CPU 대비 평균 12.5배의 성능 향상을 달성한다.
• 낮은 안테나 수(예: 1–4)에서는 데이터 전송 지연으로 인해 GPU 실행 시간이 CPU보다 길어져, 이 구성에서는 CPU가 더 빠르다.
• 안테나 수와 FFT 크기 증가에 따라 실행 시간이 선형적으로 증가하며, ORBIT 테스트베드의 스루풋 측정 결과에서 이를 확인할 수 있다.
• 가속도는 FFT 길이에 매우 의존적이며, 더 큰 FFT(1024)에서는 더 작은 FFT(64)보다 상당히 높은 GPU 성능 향상을 보인다.
• 공유 메모리에서의 병렬 감소는 합산 복잡도를 O(N)에서 O(log N)로 감소시켜 GPU에서 효율적인 MRC를 가능하게 한다.
• 결과적으로 GPU 가속은 통신 오버헤드를 상쇄할 수 있을 정도로 충분한 병렬성이 확보된 대규모 안테나 시스템에서만 유의미하다는 것이 확인되었다.